U.S. SMID-Cap and Global Application Software 리서치 보고서 해설

개요

이 산업 보고서는 AI 주도 생산성이 애플리케이션 소프트웨어의 좌석 기반 가격 책정을 약화시킬지 검토한다. Bernstein은 기존 기업 수준 증거가 오히려 중도입 AI 기업의 채용 주도 성장을 가리키며, 좌석이 구조적 부담이 아닐 수 있다고 결론 내리지만 일부 기능별 소프트웨어 범주는 더 취약할 수 있다고 본다.

핵심 견해

Bernstein은 AI 생산성과 상당수 애플리케이션 소프트웨어가 사용하는 좌석 기반 라이선스 모델 간의 잠재적 충돌을 핵심 쟁점으로 제시한다. AI 코딩 코파일럿, 데스크톱 코파일럿, 고객서비스 에이전트는 개발자·관리자·지원팀이 더 적은 인력으로 더 많은 업무를 처리하도록 할 수 있어, 직원 수와 연동된 라이선스의 성장 동력이 약화될 수 있다는 우려를 낳는다. 보고서는 기업 구매자들이 예측 가능하고 조직의 알려진 인적 역량 투자에 맞춰 증가하는 좌석을 여전히 선호한다고 본다. token 또는 기타 사용량에 연동된 소비 기반 과금은 예산 예측이 어려울 수 있다. 애플리케이션 소프트웨어의 부가가치는 흔히 직원 생산성과 연결되므로, 직원 수에 따른 가격 책정은 논리적인 가치 기반 가격 책정이 될 수 있다. 보고서는 AI가 필연적으로 화이트칼라 고용을 줄인다는 더 광범위한 가정에 반박한다. Bernstein은 PC와 인터넷 시대를 비유로 든다. 기업은 마진 확대보다 성장 가속에서 더 큰 밸류에이션 이익을 얻는 경우가 많으므로, 생산성 개선은 마진에만 귀속되기보다 성장에 재투자될 수 있다. 이런 관점에서 생산성이 높아진 지식근로자는 제품 개발, 판매, 신규 기회 추구를 위해 유지되거나 추가 채용된다. Bernstein은 큰 생산성 향상에도 1989년부터 2019년까지 비교 가능 기준 S&P 500 EBIT 마진은 약 150bp, 즉 1.5%만 확대된 반면, 1990년대 PC 시대에는 강한 미국 GDP 성장과 화이트칼라 고용 증가가 있었다고 지적한다. 현재의 주된 증거는 Ramp의 기업 수준 연구다. 이 연구는 고객 지출 데이터를 이용해 AI 중도입 기업을 경도입 및 미도입 기업과 구분한다. AI 도입은 기업이 AI 벤더에 매월 최소 $100를 지출한 3개월 연속 구간의 첫 달로 정의되며, 도입 강도는 도입 후 첫 3개월의 기준 직원 1인당 AI 지출이다. Ramp는 광범위하게 사용되는 코딩 에이전트, API 기반 AI 에이전트, AI 네이티브 도구를 검색·종합·창작 목적의 더 가벼운 챗봇 사용과 비교한다. 표본 종료일은 2026년 2월이다. Bernstein은 이 분석이 주로 유사 기업군의 AI 도입 전후를 비교하며 일부 지표에서 99% 신뢰도로 통계적으로 유의한 차이를 보인다고 강조한다. 다만 24개월 전에 AI를 도입한 기업 수가 더 적으므로 장기 구간에서는 오차 범위가 커진다. Bernstein의 결과 해석에 따르면, 중도입 기업의 고용은 저도입 및 미도입 동종기업 대비 평균 10% 이상 더 증가했으며, 최초 도입 후 24개월 시점에는 이들 동종기업보다 50% 이상 더 컸다. 보고서는 장기 시점에서 가장 강한 결론은 중도입 기업이 더 성장했다는 방향성이지, 중간값 성장률의 정밀한 추정이 아니라고 강조한다. 또한 미국 소프트웨어 개발 채용공고가 2025년 초 저점에서 회복하고 있다는 점을 별도의 확인 신호로 제시한다. 채용 결과는 프런트오피스에만 국한되지 않는다. 엔지니어와 영업은 강했지만, 행정 및 고객서비스 고용도 평균적으로 증가했고, 학사 학위 보유자와 특히 신입 인력 수요도 두드러졌다. 반대로 AI 선도 기업에서는 PhD 고용이 정체될 가능성이 더 높았으며, 저AI 도입 기업은 고급 학위 인력 수요가 높았다. Bernstein은 고도입 기업이 이미 더 많은 PhD 학위 인력을 보유하고 있기 때문일 수 있다고 시사한다. 보고서는 재무, 과학자, 운영의 세 직무가 훨씬 낮은 성장 또는 통계적으로 유의한 플러스 성장을 보이지 않았다고 지적하며, 이 기능을 대상으로 한 좌석 기반 소프트웨어는 가장 적은 지지를 받을 수 있다고 본다. HR은 별도로 분석되지 않았다. 기초 데이터에서 AI 도입 자체도 이미 상당했다. 2026년 1월까지 기업의 40% 이상이 적어도 경도입 기업이었으며, 같은 시점 미국 인구조사 설문에서 보고된 높은 10%대 수준을 웃돈다. Bernstein은 정의, 응답자 인지도 및 표본 구성의 차이가 원인일 수 있으며 Ramp 표본이 더 기술 선도적인 구매자에 치우쳤을 가능성을 언급한다. 도입률은 NAICS의 “Information” 부문에서 약 54%로 가장 높았고, “Finance/Insurance”가 약 44%, “Professional/Scientific/Technical Services”가 36%로 뒤를 이었다. 그 외 대부분 산업은 11–22%였다. Bernstein은 이 화이트칼라 집약 산업들이 동일한 생산성·채용 역학이 다음으로 나타날 수 있는 분야라고 본다. 소프트웨어 커버리지에 대한 함의는 모든 벤더가 순수한 좌석 기반 모델을 유지한다는 뜻은 아니다. 보고서는 좌석, ROI 기반 과금, 인프라 규모 연동 미터, token 소비의 혼합을 예상한다. 그러나 고객이 예측 가능성을 요구하고 일부 고객은 대체 가격 책정에 적합하지 않기 때문에 좌석은 계속 중요한 요소일 것으로 본다. 중도입 AI가 생산성 유발 채용을 계속 촉진한다면 직원 연동 가격 책정은 이들 소프트웨어 기업에 족쇄가 아니라 순풍이 될 수 있다. Bernstein은 다만 성장 기회가 제한된 일부 기업과 산업은 마진을 우선시할 수 있고, 기술이 제품이 아니라 운영에 사용될 수 있으며, 데이터가 고용 수요의 최종 진화를 충분히 반영하기에는 아직 너무 이르다는 점을 유의한다.

분석 프레임워크

Bernstein은 Ramp의 지출 기반 AI 도입 전후 기업 비교, 직무별 고용 결과, 산업별 도입률, 소프트웨어 채용공고 추세에 대한 확인, 그리고 PC 및 인터넷 시대와의 역사적 비교를 결합한다. 이어 채용 증거를 기업 소프트웨어 가격 책정 경제성과 생산성 이익을 성장에 재투자할지 마진으로 유지할지에 대한 기업의 선택과 연결한다.

방법론 메모

• 산업 분석 프레임워크수급 프레임워크

  고용 증가와 예측 가능한 가격을 선호하는 구매자 성향에 연결된 좌석 기반 소프트웨어 수요.

  보고서는 직원 수를 좌석 라이선스의 수요 동인으로 보고, AI가 일자리 대체가 아니라 채용을 통해 이 동인을 바꾸는지 평가한다.

• 산업 분석 프레임워크물량·가격 분해

  좌석, ROI 기반, 인프라 연동 및 token 소비 가격 모델.

  Bernstein은 가격 측정 단위와 기초 고객 수요를 구분하며, 벤더가 다른 과금 방식을 추가하더라도 좌석이 여전히 중요할 수 있다고 본다.

• 기타기타

  AI 지출과 직원 수를 활용한 Ramp의 유사 기업 AI 도입 전후 비교.

  인용된 연구는 관련 없는 산업을 단순 비교하는 대신 도입 전후 기업을 비교해 표본 편향을 줄이려 하며, Bernstein은 후기 시점 추정치의 오차 범위가 더 넓다고 지적한다.

자산 매핑 및 비교

투자 논리에서 명시된 자산으로의 구조화 매핑(강점, 약점, 비교 대상, 위험).

• ServiceNow (NOW)

  명시적으로 커버되는 애플리케이션 소프트웨어 기업으로, 좌석 기반 수요의 지속과 연관될 수 있다.

  강점

  Agent Assist는 고객 기반의 약 4분의 1에 도입된 것으로 언급된다.

  위험

  광범위한 직무별 채용 결과는 고르지 않을 수 있다.

• Atlassian (TEAM)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  AI 주도 채용이 지식근로자 소프트웨어 수요를 유지한다면 수혜 가능성이 있다.

• GitLab (GTLB)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  AI 기반 소프트웨어 개발 활동과 연관될 수 있다.

• Okta (OKTA)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  기업의 지속적인 직원 증가로 수혜를 받을 수 있다.

• Microsoft (MSFT)

  명시적으로 커버되며 기업 AI 도입 논의에서 언급된 기업이다.

  강점

  프런트오피스 도입이 백오피스 도입 대비 뚜렷하게 개선되지 않았다는 증거로 언급된다.

• Salesforce.com (CRM)

  명시적으로 커버되며 기업 AI 도입 논의에서 언급된 기업이다.

  강점

  프런트오피스 도입이 백오피스 도입 대비 뚜렷하게 개선되지 않았다는 증거로 언급된다.

• Adobe (ADBE)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  AI 생산성이 성장과 직원 확충에 재투자되면 수혜 가능성이 있다.

• Workday (WDAY)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  직원 증가가 좌석 연동 수요를 지지한다면 수혜 가능성이 있다.

  위험

  인용된 데이터는 HR 기능을 별도로 구분하지 않는다.

• HubSpot (HUBS)

  명시적으로 커버되며 기업 AI 도입 논의에서 언급된 기업이다.

  강점

  프런트오피스 도입이 백오피스 도입 대비 뚜렷하게 개선되지 않았다는 증거로 언급된다.

• Zoom Video Communications (ZM)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  직원 수와 연계된 소프트웨어 수요의 지속으로 수혜를 받을 수 있다.

• SAP (SAP)

  Bernstein의 소프트웨어 커버리지 내에서 명시적으로 커버되는 애플리케이션 소프트웨어 기업이다.

  강점

  기업 채용과 좌석 수요의 지속으로 수혜를 받을 수 있다.

핵심 데이터

• 중도입 기업의 고용 성장>10% more than lower/non-adopting peers on averageRamp 표본이며 Bernstein은 차이가 통계적으로 유의하다고 설명한다.
• 도입 후 직원 규모>50% larger at 24 monthsAI 도입이 적거나 없는 기업 대비이며, 보고서는 이 시점의 오차 범위가 더 넓다고 지적한다.
• 통계적 신뢰도Up to 99%지표에 따라 고도입 기업의 성장률이 저도입·미도입 기업보다 높다는 유의성이다.
• 2026년 1월 기준 모든 수준의 AI 도입>40% of companiesRamp 데이터에서 적어도 경도입 기업의 비율이며, 인용된 미국 인구조사 설문의 높은 10%대 수준보다 높다.
• 산업별 AI 도입률Information ~54%; Finance/Insurance ~44%; Professional/Scientific/Technical Services 36%나머지 대부분 산업은 11–22%였다.
• 개발자 고용 구성~2/3 in industries more likely to invest in growth; only ~25% in industries more likely to shrink teams미국 개발자 고용에 대한 Bernstein의 설명이다.
• 비교 가능 기준 S&P 500 EBIT 마진 확대1.5% from 1989 to 2019과거 생산성 향상이 비정상적으로 큰 지속적 마진 확대를 낳지 않았다는 논거에 사용된다.

영향과 시사점

Bernstein은 이 결과가 AI가 애플리케이션 소프트웨어의 좌석 기반을 기계적으로 축소할 것이라는 우려를 줄인다고 본다. 고객이 AI를 활용해 제품을 개발하고 성장을 가속하는 분야에서 잠재적 지지가 가장 강하며, 재무·과학자·운영 기능을 겨냥한 소프트웨어의 혜택은 더 작을 수 있다. 결론은 데이터의 초기 단계라는 점에도 영향을 받는다.

위험

• 재무, 과학자 및 운영 직무는 훨씬 낮은 성장 또는 통계적으로 유의한 플러스 성장을 보이지 않아, 이 기능을 겨냥한 소프트웨어의 지지를 제한할 수 있다.
• 데이터는 HR을 포함한 일부 기능을 별도로 분석하지 않는다.
• 24개월의 도입 후 이력을 가진 기업이 적어 장기 도입 추정치의 오차 범위가 더 크다.
• 일부 기업과 산업은 AI 생산성을 성장 추구가 아니라 주로 마진 개선에 사용할 수 있다.

주시할 점

• 데이터셋이 성숙함에 따라 중도입 AI 기업이 저도입 및 미도입 기업보다 직원 수 증가에서 계속 앞서는지 여부.
• 특히 재무, 과학, 운영 및 HR의 기능별 채용 추세.
• 소프트웨어 고객이 token, ROI 기반, 인프라 연동 모델과 함께 좌석을 핵심 가격 측정 단위로 유지하는지 여부.
• Information의 높은 도입률 이후 Finance/Insurance 및 Professional/Scientific/Technical Services에서의 AI 도입 진전.